该论文提出了一种新的数据驱动框架，用于构建 Koopman 算子的特征函数，以实现预测和控制。
Oct, 2018
本文利用深度学习，从动态系统的轨迹数据中发现 Koopman 特征函数的表示，提出了一种改进的自动编码器模型，可以识别非线性坐标，将动力学嵌入到低维流形上，并将 Koopman 表示推广到具有连续谱的系统。
Dec, 2017
本文探讨了对于非线性问题，可用于 Koopman 分析的能够获得线性控制器的不变子空间中观察函数的选择，并介绍了一种利用数据驱动策略确定非线性函数空间的极度稀疏回归算法来识别相关可观察函数的算法，最后演示了如何利用从线性最优控制中的技术来设计非线性系统的最优控制律。
Oct, 2015
本文提出了一种基于测度理论的深度神经网络学习连续时间 Koopman 算子的方法，使用结构参数化来保证稳定性，并构建了一个自动编码器架构以学习动态模态分解的残差部分，并在基于贝叶斯方法的平均场变分推断下评估了该框架。
Jun, 2019
介绍了一种通过核积分算子获得 Koopman 特征函数的方法，该方法在构建运算核时引入了大量的延迟坐标，使得在无限延迟的极限下，可以在 Koopman 算子的离散谱子空间中创建一个映射，从而在具有纯点谱或混合谱的高维数据系统中有效逼近 Koopman 特征函数。
Jun, 2017
本文介绍了一种基于数据的方法，用于近似 Koopman 算子的主要特征，其不需要显式的控制方程或与 “黑匣子” 积分器的交互，并演示了该方法的可行性及其潜在应用示例。
Aug, 2014
本文提出了使用图神经网络对对象进行编码，使用分块的线性转移矩阵来规范化对象之间的共享结构，从而学习组合型 Koopman 操作符，以实现非定常系统的建模与控制。我们的实验结果表明，与现有的基线相比，所提出的方法具有更好的效率和泛化能力。
Oct, 2019
本篇论文探讨了 Koopman 算子理论在处理非线性系统方面的应用，着重介绍了 Koopman 算子动力学模型中各种现有方法的优缺点，分析了 Koopman 算子理论与系统理论概念的关系及其在控制系统建模中的潜力，同时讨论了当前的挑战和未来的发展方向。
Feb, 2021
通过对大规模系统的部分观测或粗粒化进行分析和数值实验，本文探讨了 Koopman 算子在非线性动力学中的线性函数空间表示，同时提出了 EDMD 算法在选取观测的数量时可能存在的问题，并揭示了系统动力学对 Koopman 算子的对称性，可大幅提高模型的效率，并提供了 Kuramoto-Sivashinsky 方程数值实例支持。
Jul, 2023
通过控制仿射再现内积核，我们提出了一种通用框架 —— 控制 Koopman 算子回归（cKOR），它允许直接估计单个算子，用于解决非线性控制仿射系统的 Koopman 算子表示的学习问题，并且通过利用随机投影（sketching）增强了控制 - Koopman 算子估计器的可扩展性。
May, 2024